فهرست مطالب

مجله علوم آماری - پیاپی 1 (بهار و تابستان 1386)
  • پیاپی 1 (بهار و تابستان 1386)
  • تاریخ انتشار: 1386/05/11
  • تعداد عناوین: 5
|
  • باغیشنی حسین، طباطبایی سیدمحمدمهدی صفحه 1
    در مدلهای پارامتر مبنا، مشکل اساسی ترقیب درستنمایی این مدل و در واقع برآورد پارامترهای مدل است. یک روش برخورد با این مشکل استفاده از درستنمایی های ساده تر مانند درستنمایی مرکب است. در این مقاله پس از معرفی مدلهای پارامتر مبنا و درستنمایی مرکب، به معرفی یک ملاک انتخاب مدل مبتنی بر درستنمایی مرکب پرداخته ایم. در ادامه با استفاده از شبیه سازی، توانایی درستنمایی مرکب را در استنباط و انتخاب مدل صحیح در مدلهای پارامتر مبنا نشان داده ایم.
    کلیدواژگان: داده های شمارشی، مدلهای پارامتر مبنا، الگوریتم MCEM، درستنمایی مرکب، اطلاع کولبک لیب لر، زیر نمونه گیری پنجره ای
  • رزم خواه مصطفی، احمدی جعفر، خطیب آستانه بهاره صفحه 19
    رکوردها در یک دنباله از مشاهدات مقادیری هستند که از مشاهدات ماقبل خود بزرگتر (کوچکتر) باشند. اجرای نمونه گیری دنباله ای تا کسب تعدادی مشخص از داده های رکوردی، در مقالات به روش نمونه گیری معکوس معروف است. در این حالت امید ریاضی زمان انتظار زمان انتظار بین دور رکورد نامتناهی است و تعدد داده های رکوردی مستخرج نیز محدود است. یکی از راهکارها برای مقابله با این مشکل، استفاده از طرح نمونه گیری تکراری به روش معکوس است. در این طرح با به کارگرفتن روش نمونه گیری معکوس ابتدا در مرحله اول k1 رکورد را استخراج نموده و نمونه گیری را در این مرحله متوقف می سازیم. سپس در مرحله دوم با در نظر گرفتن نمونه ای مستقل از نمونه اول، k2 رکورد بعدی را استخراج می نماییم و همین روند را تا رسیدن به تعداد رکوردهای مورد نظر ادامه می دهیم. در این مقاله حالتی را در نظر می گیریم که تعداد رکوردهای مستخرج در هر مرحله ثابت و همگی برابر k باشند. نتایج کلی برای چند رده مختلف از توزیع های مهم آماری به دست آمده و برخی از توزیع های مهم طول عمر از جمله توزیع نمایی، بر نوع دوازده و وایبول برای تشریح نتایج به دست آمده مورد استفاده قرار گرفته اند.
    کلیدواژگان: خانواده مقایسی، خانواده شکل، رکورد بالا (پایین)، توزیع بریده
  • ریواز فیروزه، محمدزاده محسن، جعفری خالدی مجید صفحه 45
    برای پیشگویی بیزی یک مدل فضایی — زمانی گاوسی، پارامترهای نامعلوم مدل بعنوان متغیر متغیرهای تصادفی با توزیعهای پیشین معلوم در نظر گرفته می شود و با گسسته سازی فضای پارامتر، توزیعهای پیسین و پیشگوی بیزی تقریبی تعیین می شوند. در این مقاله با فرض پارامتری بودن توزیع های پیشین و اتخاذ رهیافت بیز تجری توزیع پیشین را برآورد نموده و با جایگذاری آن در توزیع پیشگوی بیزی، پیشگوی فضایی — زمانی بیز تجربی و واریانس پیشگویی محاسبه می شوند. سپس در یک مثال کاربردی نحوه محاسبه این پیشگو و واریانسی پیشگویی ارایه می شود. به علاوه بر اساس معیار اعتبارسنجی متقابل دقت این پیشگو مورد ارزیابی قرار می گیرد.
    کلیدواژگان: داده های فضایی زمانی، پیشگویی، روش بیز تجربی
  • شاهکار غلام حسین، بادامچی زاده عبدالرحیم صفحه 61
    خط مشی مورد نظر در این صف شامل دو ورودی با نرخهای متفاوت و دو نوع سرویس با نرخهای متفاوت است. هر دو ورودی فرآیند پواسون با نرخ میانگین متفاوت در نظر گرفته می شوند. همچنین فرض کنیم دو نوع سرویس دارای توزیع نمایی با میانگین های متفاوت هستند. بدون کاستن از کلیت مساله، می توان فرض کرد که یک سرویس دهنده هر دو نوع سرویس را ارایه می کند. هر متقاضی پس از ورود به سامانه در یک صف واحد برای دریافت سرویس منتظر می ماند. ارایه سرویس به ترتیب ورود (FCFS) است. پس از اتمام هر نوع سرویس، سرویس دهنده به شیوه برنولی و با احتمال معینی باجه را به دلایلی تعطیل می کند. دوره تعطیلی دارای توزیع نمایی بوده و پس از اتمام دوره تعطیل سرویس دهنده دوباره به سامانه بر می گردد، اگر متقاضی در سامانه بر می گردد، اگر متقاضی در سامانه وجود داشته باشد با خط مشی فوق به ارایه سرویس می پردازد. در غیر این صورت جهت ارایه سرویس منتظر می ماند.
    در این بررسی پس از به دست آوردن معادلات حلت پایا به محاسبه متوسط تعداد افراد در سامانه و متوسط زمان انتظار در سامانه می پردازیم. به کمک فرمولهای لیتل این مقادیر را برای صف به دست می آوریم، به علاوه در حالت خاص نیز مساله را بررسی می کنیم.
    کلیدواژگان: فرآیند پواسون، توزیع نمایی، سرویس ناهمگن، تعطیلی با شیوه برنولی، معادلات حالت پایا
  • علوی محمد رضا صفحه 73
    روش های معمول، استنباط آماری مبتی بر نمونه تصادفی است. اما در بسیاری از موارد مکانیسم نمونه گیری به گونه ای است که هر مشاهده با شانسی متناسب با تابعی نامنفی از آن ثبت می شود. چنین نمونه ای را نمونه وزنی گویند. بنابراین لازم است اصطلاحات مناسبی که بستگی به تابع وزن دارد در روش هی معمول استنباطی صورت گیرد. در این مقاله تحت چند وزن خاص چنین اصلاحاتی در روش های برآورد پارامترها در توزیع نرمال ارایه و در پایان توزیع نرمال دوقلو به عنوان یک توزیع نرمال وزنی معرفی شده است.
    کلیدواژگان: تابع وزن مستقل از پارامتر، تابع وزن وابسته به پارامتر، توزیع نرمال وزنی، توزیع نرمال دو قلو، متغیر تصادفی وزنی، نمونه گیری وزنی
|
  • Hossein Baghishani, Mohammad Mahdi Tabatabaei Page 1
    In parameter driven models, the main problem is likelihood approximation and also parameter estimation. One approach to this problem is to apply simpler likelihoods such as composite likelihood. In this paper, we first introduce the parameter driven models and composite likelihood and then define a new model selection criterion based on composite likelihood. Finally, we demonstrate composite likelihood's capabilities in inferences and accurate model selection in parameter driven models throughout a simulation study.
  • Mostafa Razmkhah, Jafar Ahmadi, Bahareh Khatib Astaneh Page 19
    A sequence of observations in which only successive minimum (maximum) values are observed are called record values. One sampling scheme for generating record values is: "Data are obtained via the inverse sampling scheme, where items are presented sequentially and sampling is terminated when nth record is observed''. In this plan, the expectation of inter record times are infinite and in practice the number of records are few. Under the assumption that the process of observing record values can be replicated, one may consider the repetition of inverse sampling plan to achieve the specific number of records. In the latter scheme, we assume $m$ independent samples are obtained sequentially from the parent distribution and only recod data are observed. Two sampling (consecutive and repetition) plan are compared with regard to Fisher information contained in the extracted record data and general results are obtained. The proposed procedure is illustrated by considering several life time distributions such as Exponential, Burr XII and Weibull.
  • Firouzeh Rivaz, Mohsen Mohammadzadeh, Majid Jafari Khaledi Page 45
    In Bayesian prediction of a Gaussian space-time model, unknown parameters are considered as random variables with known prior distributions and, then the posterior and Bayesian predictive distributions are approximated with discritization method. Since prior distributions are often unknown, in this paper, parametric priors are considered. Then the empirical Bayes approach is used to estimate the prior distributions. Replacing these estimates in the Bayesian predictive distribution, an empirical Bayes space-time predictor and prediction variance are determined. Then an environmental example is used to illustrate the application of the proposed method. Finally the accuracy of the empirical Bayes space-time predictor is considered with cross validation criterion.
  • Gholam Reza Shahkar, Abdolrahim Badamchizadeh Page 61
    In this paper we consider a single server queue with two phase arrivals and two phase services. Arrivals are Poisson variables with different rates. For each input, the server provides private service with exponential distribution. The rates of services are different. The policy of service is FCFS, where the server changes the kind of service according to the customer in the front of queue. After the completion of each service, the server either goes for a vacation with probability $theta~~ (0leq theta leq 1)$, or may continue to serve the next customer with probability $(1-theta)$, if any. Otherwise, it remains in the system until a customer arrives. Vacation times are assumed to have exponential distribution. We obtain steady-state probability generating function for queue size distribution for each input and expected busy period.
  • Mohammad Reza Alavi, Rahim Chinipardaz Page 73
    The classical analysis is based on random samples. However, in many situations the observations are recorded according to a nonnegative function of observations. In this case the mechanism of sampling is called weighted sampling. The usual statistical methods based on a weighted sample may be not valid and have to be adjusted. In this paper adjusted methods under some particular weight functions for normal distribution are studied and a new distribution called double normal distribution, is introduced as a weighted normal distribution.